OpenAI B2B Signals
مزیت پیشرو کمکم بهصورت فزایندهای مرکب میشود.
امروز B2B Signals را معرفی میکنیم؛ نسخه تجاری از OpenAI Signals که میزان گسترش هوش مصنوعی در سازمانها را میسنجد. نشانه اولیه واضح است: شرکتهای پیشرو نه فقط به این دلیل که به هوش مصنوعی دسترسی دارند، بلکه به این دلیل که از آن در کارهای مختلف عمیقتر استفاده میکنند، در حال پیشی گرفتن هستند.
B2B Signals مجموعهای دورهای از معیارهاست که بر اساس تحلیلهای گسترده و مبتنی بر حفظ حریم خصوصی از نحوه استفاده سازمانها از هوش مصنوعی تهیه میشود. رفتارها و الگوهایی را ردیابی میکند که به سازمانها کمک میکند درک کنند چگونه هوش را به ارزش کسبوکار تبدیل کنند.
شرکتهای پیشرو—شرکتهایی که از نظر استفاده از هوش مصنوعی در صدک ۹۵ام قرار دارند—از هوش بیشتری به ازای هر کارگر استفاده میکنند، ابزارهای پیشرفته را به اندازه بیشتری به کار میگیرند و هوش مصنوعی را عمیقتر در جریانهای کاری جای میدهند. این شکاف برای برخی شرکتها در حال انباشتهشدن بهصورت فزاینده است، و این تفاوت بیشازپیش از عمق استفاده ناشی میشود.
نکات کلیدی
- مزیت پیشرو در حال انباشتهشدن است: شرکتهای پیشرو اکنون بهازای هر کارمند، ۳٫۵ برابر شرکتهای معمولی از هوش استفاده میکنند؛ این رقم یک سال پیش ۲ برابر بود.
- شرکتهای پیشرو از AI عمیقتر استفاده میکنند، نه فقط بیشتر: حجم پیامها تنها ۳۶٪ از تفاوت میان شرکتهای پیشرو و شرکتهای معمولی را توضیح میدهد. بخش عمده برتری شرکتهای پیشرو از استفاده عمیقتر ناشی میشود.
- گردش کارهای عاملمحور در حال تبدیل شدن به شاخصی برای پذیرش در میان شرکتهای پیشرو هستند: این شکاف در ابزارهای عاملمحور پیشرفته بیشترین است، بهطوریکه شرکتهای پیشرو ۱۶ برابر شرکتهای معمولی پیامهای Codex ارسال میکنند.
- شرکتها میتوانند از طریق تغییر سازمانی، شکاف با شرکتهای پیشرو را کاهش دهند: برای همگام شدن، شرکتها باید عمق استفاده را اندازهگیری کنند، چارچوب حاکمیتی را در اولویت قرار دهند، در توانمندسازی سرمایهگذاری کنند، راهکارهای مؤثر را در مقیاس گستردهتر اجرا کنند، و از کمکرسانی مبتنی بر چت به انجام کارهای واگذارشده توسط عاملها حرکت کنند.
عمق استفاده
برتری شرکتهای پیشرو بهشکل فزایندهای در حال افزایش است و شرکتهایی که عمیقترین بهرهگیری را از هوش مصنوعی دارند، پیشتازی خود را افزایش میدهند
استقرار مجوزها برای سازمانها فقط نقطه آغاز است. نشانه روشنتر این است که آیا کارکنان از AI برای کارهای عمیقتر و پیچیدهتر استفاده میکنند یا خیر. این نمودار توکنهای تولیدشده به ازای هر کارگر در سطح پیشرو، تعریفشده بهعنوان صدک ۹۵، را با شرکت معمولی، تعریفشده بهعنوان صدک ۵۰، مقایسه میکند.
توکنها معیار ناقصی برای سنجش ارزش کسبوکار هستند. یک پاسخ کوتاه میتواند بسیار ارزشمند باشد و یک پاسخ طولانی میتواند کمارزش باشد. اما حجم توکنها کمک میکند میزان کاری را که کارکنان از AI میخواهند انجام دهد اندازهگیری کنیم و همین آن را به شاخصی تقریبی و مفید برای سنجش عمق استفاده از AI و میزان هوشمندیای که کارکنان از AI انتظار دارند تبدیل میکند.
شرکت پیشرو بهازای هر نیروی کار، برابر یک شرکت معمولی به هوش نیاز دارد. این فاصله از ۲ برابر در آوریل ۲۰۲۵ افزایش یافته است؛ موضوعی که نشان میدهد شرکتهایی که از AI عمیقتر استفاده میکنند، در حال افزایش فاصله خود با دیگراناند و موقعیت بهتری دارند تا قابلیتهای جدید AI را به کارهای عمیقتر و پیچیدهتر تبدیل کنند.
بخش عمدهٔ برتری پیشروها ناشی از استفادهٔ عمیقتر است، نه حجم بالاتر پیامها
شرکت پیشرو به ازای هر کارگر به هوش بهمراتب بیشتری نسبت به شرکت معمولی نیاز دارد، اما بخش عمدهٔ این تفاوت تنها با حجم پیام توضیح داده نمیشود. این نمودار مزیت ۳.۵ برابریِ شرکتهای پیشرو را تحلیل میکند و نشان میدهد که اگر شرکت معمولی پیامها را با همان نرخ شرکتهای پیشرو ارسال میکرد، تنها ۳۶٪ از شکاف ۳.۵ برابری را پر میکرد.
فاصله باقیمانده مربوط به استفاده عمیقتر است. کارگران پیشرو از AI درخواست میکنند که کارهای پیچیدهتری را بر عهده بگیرد، زمینههای غنیتری برای مدلها فراهم کنند و خروجیهای پربارتری تولید نمایند.
وسعت
مزیت شرکتهای پیشرو در ابزارهای پیشرفته و عاملمحور بیشترین است؛ بهطوریکه استفاده از Codex در آنها ۱۶ برابر بیشتر است
مزیت پیشرو برای ابزارهایی که از گردشکارهای پیشرفتهتر پشتیبانی میکنند، بیشترین است. Codex بیشترین تفاوت را نشان میدهد؛ بهطوریکه گروه پیشرو به ازای هر کارگر ۱۶ برابر پیامهای بیشتری ارسال میکند. عامل ChatGPT، برنامهها در ChatGPT، تحقیق عمیق و GPTها نیز شکافهای نسبتاً بزرگی را نشان میدهند، که حاکی از آن است که مدلهای پیشرو در بهرهگیری از ابزارهایی که به کارکنان کمک میکنند کدنویسی کنند، وظایف چندمرحلهای را واگذار کنند، زمینهٔ شرکت را بهکار بگیرند و پژوهشهای پیچیدهتری انجام دهند، عملکرد بهتری دارند.
در مقابل، ابزارهای عمومیتر و دردسترستری مانند بارگذاری کاربر، جستجو و تحلیل داده، مزیت پیشروی کوچکتری نشان میدهند. استفاده از این ابزارها برای بیشتر شرکتها آسانتر است، زیرا گردشکارهای آشنا را گسترش میدهند. مزیت پیشرو در ابزارهای پیشرفته و عاملمحور بیش از همه بارز است؛ جایی که پذیرش آنها به تخصص بیشتر، اتصال به دانش و ابزارهای محیط کار، و راحتی بیشتر در واگذاری کار به AI نیاز دارد.
بزرگترین مزیت پیشرو در حوزهٔ آموزش و یادگیری است
مزیت پیشرو بودن در وظایف آموزش و یادگیری بیشترین میزان را دارد، جایی که شرکت پیشرو ۷ برابر بیشتر از شرکت معمولی پیام ارسال میکند. شرکتهای پیشرو از AI برای کمک به کارکنان در کسب مهارتها و یادگیری موضوعات جدید استفاده میکنند. آنها همچنین از AI برای بهبود درک خود از خودِ AI استفاده میکنند، از جمله اینکه چه کارهایی میتواند انجام دهد، چگونه میتوان از آن بهخوبی استفاده کرد و کجا میتواند در گردشکارهای موجود جای بگیرد. اندازهٔ این شکاف نشان میدهد که شرکتهای معمولی ممکن است از AI بهعنوان ابزاری برای یادگیری و توسعهٔ نیروی کار کمتر از ظرفیت آن استفاده کنند.
کدنویسی نیز شکاف بزرگ ۴ برابری را نشان میدهد که با شکاف گستردهتر در استفاده از ابزارهای پیشرفته و عاملمحور همخوانی دارد. راهنماییهای چگونگی انجام کار و نگارش و ارتباطات کمترین شکافهای پیشرو را دارند، احتمالاً چون این وظایف از موارد استفادهٔ دسترسپذیرتر و آشناترِ AI هستند.
برای پر کردن فاصله میان قابلیتهای موجود و استفادهٔ واقعی از آنها، توانمندسازی لازم است؛ نه صرفاً دسترسی. منابع سازمانی OpenAI و OpenAI Academy شامل راهنماهای عملی، مواد آموزشی و منابع استقرار هستند که به تیمها کمک میکنند با اطمینان از AI استفاده کنند.
بیشترین میزان استفاده از AI در حوزه نوشتن است، اما کاربردهای خاص عملکردی در حال رشد است
نگارش و ارتباطات همچنان رایجترین کاربرد ChatGPT است. با این حال، الگوهای استفاده بسته به حوزه کاری بهطور معناداری متفاوت است. ۶۰٪ از پیامهای حوزه فناوری اطلاعات و امنیت بر راهنماییهای نحوه انجام کار و دستورالعملهای رویهای متمرکز هستند، تقریباً نیمی از پیامهای حوزههای توسعه نرمافزار و علوم داده و مهندسی به کدنویسی مرتبطاند، و یکدهم پیامهای حوزه مالی به تحلیل و محاسبه مربوط میشوند.
این الگوها با شواهد گستردهتر مبنی بر اینکه مدلهای پیشرو در انجام وظایف کاری ارزشمند از نظر اقتصادی در حال بهبود هستند، همخوانی دارند. GDPval، ارزیابیای از کار علمی در دنیای واقعی در میان ۴۴ شغل است و عملکرد را در وظایفی میسنجد که خروجیهای کاری عملی مانند سند، صفحهگسترده، اسلاید، نمودار و محتوای چندرسانهای تولید میکنند. با توانمندتر شدن AI، به نظر میرسد استفاده سازمانی به سمت وظایفی گسترش مییابد که ارتباط نزدیکتری با کار اصلی هر واحد دارند.
نوع وظیفه بر اساس زمینهٔ کسبوکار
| زمینه تجاری | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| وظایف ChatGPT | ||||||||||||
| نگارش و ارتباطات | ||||||||||||
| راهنمای انجام کار و دستورالعملهای اجرایی | ||||||||||||
| اطلاعات | ||||||||||||
| تحلیل و محاسبات | ||||||||||||
| مشاوره | ||||||||||||
| رسانه خلاق | ||||||||||||
| تجارت | ||||||||||||
| برنامهنویسی | ||||||||||||
| آموزش و یادگیری | ||||||||||||
دسترسی
پیشتازی در این حوزه تکبعدی نیست: در ChatGPT، Codex و API، بخشهای مختلفی پیشتازند
هیچ جدول رتبهبندی واحدی برای پذیرش AI وجود ندارد. رتبهبندیهای صنایع بسته به معیار مورد استفاده متفاوتاند. خدمات حرفهای، علمی و فنی از نظر پذیرش Codex و میزان استفاده از API در رتبه نخست قرار دارد، که نشاندهنده استفاده نسبتاً پیشرفته در گردش کارهای توسعهدهندگان و گردش کارهای ادغامشده در محصول است. بخش مالی و بیمه بهدلیل استقرارهای گسترده، در پذیرش ChatGPT پیشتاز است؛ در حالی که خدمات آموزشی بالاترین میزان پیامها را دارد که نشاندهندهٔ استفادهٔ عمیقتر بهازای هر فرد است. خردهفروشی و سلامت از نظر میزان استفاده از API رتبههای بالایی دارند، هرچند در سایر معیارها جایگاه پایینتری دارند.
این تفاوتها نشان میدهند که رهبری در صنعت تکبُعدی نیست. به نظر میرسد برخی بخشها AI را از مسیر گردش کارهای فنی و توسعهدهندگان بهکار میگیرند، در حالی که برخی دیگر از طریق پذیرش گستردهٔ ChatGPT یا استفادهٔ بیشتر و عمیقتر کاربران نهایی، آن را در مقیاس وسیعتری بهکار میبرند.
رتبهبندی صنایع بر اساس شاخص پذیرش AI
| صنایع | ||||
|---|---|---|---|---|
| امور مالی و بیمه | 1+1 | 10-4 | 30 | 60 |
| اطلاعات | 2-1 | 20 | 20 | 4-1 |
| خدمات حرفهای، علمی و فنی | 30 | 10 | 10 | 10 |
| هنر، سرگرمی و تفریح | 40 | 4-1 | 50 | 3+1 |
| خدمات عمومی | 50 | 80 | 90 | 90 |
| ساخت | 6-1 | 50 | 10-1 | 10-1 |
| املاک، اجاره و رهن | 7-1 | 7+1 | 11-1 | 80 |
| تولید | 8-1 | 3+1 | 40 | 70 |
| مراقبتهای سلامت و کمک اجتماعی | 90 | 90 | 6+1 | 50 |
| خردهفروشی | 10-2 | 11-1 | 7-1 | 20 |
| ادارهٔ عمومی | 11-1 | 6+1 | 80 | 11-1 |
شرکتهای سازمانی در حال انتقال استفاده از API به گردش کارهای عملیاتی و برنامههای کاربردی مشتریمحور هستند
شرکتها بهطور فزایندهای از API استفاده میکنند تا مدلها را مستقیماً در محصولات، خدمات و سیستمهای داخلی ادغام نمایند. موارد استفاده رایج در محیطهای عملیاتی شامل دستیارهای درونبرنامهای، ابزارهای کدنویسی و توسعهدهنده، پشتیبانی مشتریان، گردش کارهای پژوهشی و خودکارسازی گردش کارها میشود.
این استقرارها نشان میدهند که AI سازمانی چگونه از مرحله آزمایش فراتر رفته و به گردش کارها تکرارپذیر با تأثیر عملیاتی قابل اندازهگیری تبدیل میشود. در میان نمونههای مشتریان، شرکتها از مدلهای OpenAI برای تسریع کارهای دانشمحور، بهبود توان عملیاتی مهندسی و ایجاد تجربههای مبتنی بر AI برای مشتریان و کارکنان بهره میبرند.
برترین موارد استفاده از API به تفکیک صنعت
خدمات حرفهای
دستیاران تخصصی و جستجو (مثلاً ابزارهای پرسشوپاسخ، دستیاران تحقیقاتی، دستیاران تخصصی داخلی)
پشتیبانی مشتری و فروش (مثلاً پشتیبانی مشتری، عاملهای صوتی و چت، کمک در فروش)
تحلیل دادهها، خلاصهسازی و استخراج (مثلاً تحلیل دادههای شرکت، هوش بازار، برچسبگذاری و تطبیق تراکنشها)
کدنویسی و ابزارهای توسعهدهنده (مثلاً ابزارهای ارزیابی مدل، دستیارهای کدنویسی، ابزارهای خودکارسازی گردشکار)
امور مالی و بیمه
تحلیل دادهها، خلاصهسازی و استخراج (مثلاً استخراج دادهها، تحلیل رسیدها و هزینهها، تحقیق در سرمایهگذاری)
تولید اسناد و گردش کارها (مانند مدیریت خودکار هزینهها، تولید خلاصههای پژوهشی، بهینهسازی گردش کارها)
دستیارهای تخصصی و جستوجو (مثلاً دستیارهای راهبرد سرمایهگذاری، جستوجوی سیاست، دستیارهای مختص نقش.)
پشتیبانی مشتری و خدمات (مثلاً، عاملهای صوتی و چت پشتیبانی مشتری، دستیارهای بانکداری شخصی، طبقهبندی احساسات)
اطلاعات
کدنویسی و ابزارهای توسعهدهنده (مانند دستیارهای کدنویسی، ابزارهای تست نرمافزار، ابزارهای خودکارسازی وب)
دستیارهای تخصصی و جستوجو (مثلاً دستیارهای درونبرنامهای، ابزارهای جستوجوی داخلی، دستیارهای مستندسازی)
پشتیبانی مشتری و خدمات (مثلاً، عاملهای صوتی و چت پشتیبانی مشتری، خودکارسازی چندکاناله خدمات مشتری)
تولید محتوا، رسانه و طراحی (مثلاً تولید داراییهای برند، ابزارهای بازاریابی)
Cisco از Codex برای تسریع کارهای پیچیده نرمافزاری در سراسر یک سازمان بزرگ مهندسی سازمانی استفاده میکند. در گردشکارهای تولید، Codex کمک کرد تا زمانهای ساخت حدود ۲۰٪ کاهش یابند، بیش از ۱٫۵۰۰ ساعت مهندسی در ماه صرفهجویی شود و توان عملیاتیِ رفع نقص ۱۰ تا ۱۵ برابر افزایش یابد. به گفتهٔ تیم Cisco، بزرگترین دستاوردها زمانی حاصل شد که با Codex مانند «بخشی از تیم» رفتار کردند.
Rakuten، Codex را در سراسر عملیات مهندسی و تحویل نرمافزار مستقر کرد؛ اقدامی که میانگین زمان بازیابی را حدود ۵۰٪ کاهش داد و به تیمها امکان داد مشکلات محیط عملیاتی را دو برابر سریعتر برطرف کنند. Rakuten همچنین از Codex برای بازبینی خودکار کد و بررسیهای آسیبپذیری همسو با استانداردهای داخلی استفاده میکند و به این ترتیب بدون به خطر انداختن امنیت، به تسریع انتشار نسخهها کمک میکند. در پروژههای پیچیده، Codex میتواند نیازمندیهای جزئی را به پیادهسازیهای فولاستک عملیاتی تبدیل کند و زمانبندیها را از چند فصل به چند هفته فشرده کند.
Balyasny Asset Management از OpenAI برای تسریع پژوهشهای سرمایهگذاری در یک سازمان بزرگ و تخصصیِ دانشمحور استفاده میکند. تقریباً 95% از تیمهای سرمایهگذاری از پلتفرم اختصاصی پژوهشی AI آن استفاده میکنند و به کاهش زمان گردش کارهای پژوهش از چند روز به چند ساعت کمک میکند. برای مثال، گردشکار تحلیل سخنرانیهای رئیس بانک مرکزی که قبلاً دو روز طول میکشید، اکنون حدود 30 دقیقه زمان میبرد و به تحلیلگران کمک میکند تا میان پروندههای نظارتی، رونوشتها، گزارشهای پژوهشی و دادههای بازار سریعتر استدلال کنند.
برای نمونههای بیشتر، به صفحه داستانهای مشتریان ما مراجعه کنید.
سازمانها برای رسیدن به جایگاه پیشرو چه کارهایی میتوانند انجام دهند
OpenAI با سازمانها در صنایع و بخشهای مختلف و در مراحل گوناگون بلوغ AI همکاری میکند و این به ما دیدی روشن نسبت به چگونگی تکامل پذیرش آن از آزمونوخطا تا استقرار در محیط تولید میدهد. در میان این استقرارها، شرکتهایی که بیشترین پیشرفت را دارند، معمولاً کمتر بر دسترسیِ صرف و بیشتر بر سیستمهای سازمانیِ لازم برای استفاده عمیق از AI تمرکز میکنند: اندازهگیری، چارچوب حاکمیتی، توانمندسازی، گسترش اثر، و استقرار عاملی.
پنج شیوه بهعنوان گامهای عملی برجستهاند که هر سازمانی میتواند از همین امروز برای عمیقتر کردن پذیرش AI بردارد.
- علاوه بر دسترسی، عمق استفاده را نیز اندازهگیری کنید.
نشانهٔ مرتبط فقط این نیست که چه تعداد از کارمندان حسابهای کاربری AI دارند، بلکه این است که آیا تیمها در طول زمان از AI به شکلی معنادارتر و جدیتر استفاده میکنند یا خیر. سازمانها باید پیگیری کنند که آیا استفاده از AI در حال بیشتر شدن، پیچیدهتر شدن و ارتباط نزدیکتر یافتن با گردش کارهای ارزشمند است یا خیر. - چارچوبهای حاکمیتی لازم برای استفادهٔ عملیاتی را ایجاد کنید.
شرکتهای پیشرو از چارچوبهای حاکمیتی اجتناب نمیکنند. آنها از آن استفاده میکنند تا AI عاملمحور را استقرارپذیرتر کنند. شرکتها به قواعد روشنی نیاز دارند که مشخص کند عاملها کجا میتوانند فعالیت کنند، از چه اطلاعاتی میتوانند استفاده کنند، چه زمانی باید بهجای اقدام کردن، توصیه ارائه دهند، و انسانها چگونه تصمیمات با ریسک بالاتر را بازبینی میکنند. شرکتهای پیشرو این استانداردها را بهعنوان بخشی از فرایند استقرار تعریف میکنند، بنابراین چارچوب حاکمیتی به راهی برای گسترش ایمن پذیرش تبدیل میشود، نه عاملی برای کند کردن آن. - توانمندسازی را بهعنوان زیرساختی اصلی تلقی کنید، نه پروژهای جانبی.
با بهبود قابلیتهای AI، هم کارکنان و هم سازمانها به سیستمهایی نیاز دارند که به آنها کمک کند همگام بمانند. شرکتهای پیشرو توانمندسازی را بهعنوان یک اقدام آموزشی یکباره تلقی نمیکنند. آنها یادگیری مستمر را از طریق روشهای زیر به عنوان بخشی از فرایند استقرار نهادینه میکنند؛ از طریق آموزشهای متناسب با هر نقش، کارگاههای موردی برای کاربردهای مشخص، هکاتونها، شبکههای داخلی از افراد پیشرو، زمان اختصاصی برای آزمایش و محلهای نگهداری مشترکی از جریانهای کاری، بهترین روشها و مهارتها. - تیمهای پیشرو خود را شناسایی نمایید و اثرگذاری آنها را گسترش دهید.
در بسیاری از سازمانها، پیشرفتهترین شکلهای استفاده در تعداد محدودی از تیمها متمرکز است. آن تیمها میتوانند نشان دهند کدام گردشهای کاری، عادتها و مدلهای عملیاتی مؤثر هستند. رهبران باید این تیمها را شناسایی کنند، شرایط زمینهساز موفقیت آنها را درک و گسترش دهند، و به آنها کمک کنند تا بینشها و نمونههایی از استفاده عمیقتر از AI را با سایر بخشهای شرکت به اشتراک بگذارند. - از چت فراتر بروید و کارها را واگذار کنید.
AI سازمانی در حال گذار از دستیارهای گفتگو به سمت کارهایی است که میتوان آنها را به عاملها واگذار کرد. مهندسی نرمافزار نمونهای از این روند را نشان میدهد، اما کارِ واگذارشده در حال گسترش به حوزههای مختلف کاری است. با Codex، مهندسان میتوانند یک وظیفه مشخص را واگذار کنند، زمینه موردنیاز عامل را در اختیارش بگذارند، اجازه دهند در فایلها، کدبیسها و ابزارها فعالیت کند، سپس نتیجه را بررسی کنند و گردشکار را با بازخورد بهبود دهند. شرکتهای پیشرو کارکنان را تشویق میکنند که وظایف را به AI بسپارند، نه اینکه صرفاً از AI بهعنوان یک دستیار ثابت استفاده کنند.
تمام تحلیلهای این گزارش بر اساس دادههای استفاده سازمانیِ هویتزداییشده و تجمیعشده هستند. محتوای پیام با استفاده از سیستمهای خودکار طبقهبندی شد و هیچیک از کارکنان OpenAI دادههای منفرد مشتریان Enterprise، Business یا API را بهعنوان بخشی از این تحلیل بررسی نکرد.
اگر مایل هستید یافتههای کامل را بررسی کنید یا بیاموزید که چگونه AI را بهطور مسئولانه وارد سازمان خود کنید، [خوشحال میشویم با شما ارتباط تماس بگیریم].
